ارائه یک مدل ترکیبی عمیقِ پیش بینی آلودگی هوا چند متغیری مبتنی بر داده‌های هواشناسی

در سال‌های اخیر، با توسعه سریع اقتصاد و صنعتی شدن اغلب کشورها، مشکل آلودگی محیط‌ زیست بسیار جدی شده و در این میان، آلودگی هوا به طور خاص قابل‌توجه است. پیشرفت همزمان اقتصاد و صنعت، یکی از اصلی‌ترین عوامل افزایش خطرناک آلودگی هواست که با هدف پیش‌بینی کیفیت هوا و غلظت آلاینده‌ها، مطالعات زیادی انجام گرفته است. نتایج برخی از این تحقیقات نشان می‌دهد که یادگیری تجمعی در مقایسه با روش‌های منفرد می‌تواند عملکرد پیش‌بینی‌ را در بسیاری از حوزه‌ها بهبود بخشد. از این رو، در این مقاله، یک مدل عمیق تجمعی در یک معماری جهت‌دارِ غیرمدور، مبتنی بر شبکه‌های عصبیِ بازگشتی، با سه واحد‌ پنهان lstm، gru و bilstm ارائه شده است؛ که هدف آن پیش‌بینی وضعیت آلاینده ذرات معلق pm2.5 در بیست و چهار ساعت آینده است. مدل چند متغیره ی پیشنهاد شده، مبتنی بر داده‌های هواشناسی و داده های آلودگی هوا ارائه شده است. نتایج تجربی در داده‌های هواشناسی پکن نشان می‌دهد، این مدل توانسته در پیش‌بینی بیست و چهار ساعت آینده، به طور میانگین با واحد های پنهان lstm و gru به ترتیب به جذر میانگین مربعات خطا 7.16 و 12.53 دست یابد.

proposing a deep hybrid model of multivariate air pollution forecasting based on meteorological data

in recent years, with the rapid economic development and industrialization of most countries, the problem of environmental pollution has become very serious and air pollution is particularly significant. coincidence of economy and industry is one of the main factors of increasing dangerous air risk, which has been done many studies with the aim of predicting air quality and pollutant concentration. some research results show that aggregated learning can improve prediction performance in many domains compared to individual methods. therefore, in this paper, an aggregated deep model in a directed acyclic architecture based on recurrent neural networks with three hidden units lstm, gru and bilstm is presented; the purpose of which is to predict the pollutant status of particulate matter pm2.5 in the next 24 hours. the proposed multivariate model is based on meteorological data and air pollution data. the experimental results in beijing meteorological data show that this model has been able to achieve 7.16 and 12.53 root mean square error respectively with lstm and gru hidden units in forecasting the next 24 hours